模糊控制的NN方法研究

论文摘要

近年来，控制对象的复杂程度在不断增加，同时人们对控制效果的要求不断提高，这两者之间产生了尖锐的矛盾。控制对象复杂程度的不断增加，意味着建立被控对象精确的数学模型是越来越困难。经典控制理论和现代控制理论正是依赖于被控对象的数学模型，并且当调整好控制系统各项参数后，如果被控对象的数学模型由于外界或自身因素而改变，这一套参数可能就无法满足控制要求。智能控制三大方法：模糊控制、神经网络、专家控制，其最大的特点是不依赖于被控对象的数学模型，这样就解决了前面所提到的依赖于被控对象数学模型的问题。对于越愈复杂的现代控制系统，专家知识也是很有限的，因此模糊控制和神经网络控制的地位就显得突出和重要。模糊控制和神经网络都有其自身的优缺点，将两者结合，正好达到了互补的效果。论文的重点是模糊神经网络结构、离线算法和在线自适应算法；基于MATLAB的模糊神经网络控制系统仿真和基于DSP的模糊神经网络控制系统实现方法讨论；并选用了TMS320LC／LF2407作为DSP实现方法讨论的载体。仿真过程中，主要着重于训练样本的采集和处理，两种学习算法的实现；阶跃输入和带干扰信号的阶跃输入时的控制效果，被控对象模型发生变化时的控制效果，以及模糊神经网络在线自适应的实现。DSP实现讨论部分着重于硬件实现和软件实现(A／D转换、D／A转换以及其它子程序的编写和调试)。最终完全实现模糊神经网络控制系统的仿真；完成基于DSP的模糊神经网络控制系统部分子程序的编写和调试。仿真结果表明模糊神经网络控制具有较好的鲁棒性，控制效果也能够达到要求。

论文目录

• 摘要
• Summary
• 第一章 绪论
• 1.1 课题研究的目的和意义
• 1.1.1 综述
• 1.1.2 研究目的及意义
• 1.2 模糊控制和神经网络简介
• 1.2.1 综述
• 1.2.2 模糊控制和神经网络的联系和区别
• 1.3 模糊控制与神经网络的发展史及其研究现状
• 1.4 本论文研究的主要内容
• 1.5 本章小结
• 第二章 模糊控制与神经网络
• 2.1 模糊控制
• 2.1.1 综述
• 2.1.2 模糊控制类型
• 2.1.3 模糊控制规则获取
• 2.1.4 基于标准模型的模糊逻辑控制器及其算法
• 2.2 神经网络
• 2.2.1 神经网络分类
• 2.2.2 BP神经网络结构及其算法
• 2.2.3 神经网络学习算法改进
• 2.2.4 神经网络的训练步骤
• 2.3 模糊控制与神经网络控制的特点及其融合
• 2.3.1 综述
• 2.3.2 模糊控制与神经网络的融合
• 2.4 本章小结
• 第三章 模糊神经网络控制
• 3.1 综述
• 3.2 模糊神经网络结构及其学习算法
• 3.2.1 模糊神经网络结构
• 3.2.2 学习算法
• 3.3 模糊神经网络控制器的训练
• 3.4 本章小结
• 第四章 模糊神经网络控制的MATLAB仿真研究
• 4.1 综述
• 4.2 仿真过程介绍
• 4.2.1 控制器的离线训练
• 4.2.2 MATLAB仿真
• 4.2.3 仿真结果
• 4.2.4 控制效果对比
• 4.3 模糊神经网络控制器的在线自适应训练
• 4.4 本章小结
• 第五章 模糊神经网络控制的DSP实现讨论
• 5.1 微处理器与数字控制技术
• 5.2 DSP简介
• 5.2.1 DSP芯片的基本特点、选择及其应用
• 5.2.2 DSP系统的特点
• 5.3 基于DSP的模糊神经网络控制系统的硬件实现
• 5.3.1 综述
• 5.3.2 硬件系统构造
• 5.4 基于DSP的模糊神经网络控制系统的软件实现
• 5.4.1 综述
• 5.4.2 数据格式
• 5.4.3 A/D转换
• 5.4.4 D/A转换
• 5.4.5 主要子程序
• 5.5 本章小结
• 第六章 总结与展望
• 6.1 总结
• 6.2 展望
• 致谢
• 主要参考文献
• 附录